Reconnaissance d'expressions faciales à l'aide des techniques d'apprentissage automatique

Abstract

Ce mémoire porte sur la reconnaissance automatique des expressions faciales à partir d’images, un domaine crucial pour l’amélioration de l’interaction homme-machine et le développement d’applications dans des secteurs comme la sécurité, la santé mentale ou les interfaces intelligentes. Il propose une analyse approfondie des principaux défis, tels que la variabilité inter-sujets et les conditions d’acquisition d’images hétérogènes, et évalue de manière systématique plusieurs méthodologies d’apprentissage automatique. La recherche vise à concevoir une chaîne de traitement complète, permettant d’identifier les combinaisons les plus efficaces entre techniques d’extraction de caractéristiques et algorithmes de classification, afin d’optimiser la précision. Le système débute par une étape de prétraitement utilisant l’algorithme de Viola-Jones pour une détection fiable des visages. Une contribution majeure de ce travail réside dans l’évaluation comparative de plusieurs descripteurs de caractéristiques texturales discriminantes : les Patrons d’Orientation Optimaux Locaux (LOOP), dans leurs variantes basées sur les histogrammes (LOOP-MBH) et les statistiques (LOOP-MBSF), la Quantification de Phase Locale (LPQ) et les Caractéristiques d’Image Statistiques Binarisées (BSIF). Pour la classification, plusieurs algorithmes supervisés sont mis en oeuvre et comparés : Machines à Vecteurs de Support (SVM), K-Plus Proches Voisins (KNN), Forêts Aléatoires (RF) et Arbres de Décision (DT). Chaque combinaison descripteur-classifieur est rigoureusement évaluée sur deux bases de données publiques d’expressions faciales, afin de garantir la généralisabilité des résultats. Les évaluations montrent que le choix judicieux du descripteur et du classifieur est déterminant pour atteindre une haute performance. Les meilleurs appariements identifiés permettent d’obtenir des taux de reconnaissance élevés, offrant un cadre méthodologique clair pour la conception de systèmes robustes et précis en conditions réelle This thesis focuses on the automatic recognition of facial expressions from images, a field of critical importance for enhancing humancomputer interaction and developing applications in areas such as security, mental health, and intelligent interfaces. It offers an in-depth analysis of the main challenges, such as inter-subject variability and heterogeneous image acquisition conditions, and systematically evaluates several machine learning methodologies. The research aims to design a complete processing pipeline to identify the most effective combinations of feature extraction techniques and classification algorithms to maximize accuracy. The system begins with a preprocessing step using the Viola-Jones algorithm for reliable face detection. A major contribution of this work lies in the comparative evaluation of several discriminative texture descriptors, including Local Optimal Oriented Patterns (LOOP), in their histogram-based (LOOP-MBH) and statistical (LOOP-MBSF) variants, Local Phase Quantization (LPQ), and Binarized Statistical Image Features (BSIF). For the classification phase, several standard supervised machine learning algorithms are implemented and compared: Support Vector Machines (SVM), KNearest Neighbors (KNN), Random Forests (RF), and Decision Trees (DT). Each descriptor -classifier combination is rigorously evaluated using two public facial expression datasets to ensure the generalizability of the results. The comparative assessments show that carefully selecting both the descriptor and the classifier is key to achieving high performance. The best -performing pairings yield high recognition rates, providing a clear methodological framework for designing robust and accurate facial expression recognition systems in real-world conditions.